Francisco Ortega Ortega

Caso Relevante: Para el cliente AXA, realicé la fase de Discovery de la fábrica asignada (Ecosistema de datos), realicé la conceptulización y definición de escenarios de migración, generé el presupuesto detallado para cada fase y el caso detallado de migración, el objetivo fue migrar diferentes servidores y aplicaciones desde un site en Atlanta a un site en Francia (tipo Azure). Como parte de la labores del puesto participe en workshops técnicos con el equipo de Francia, estas sesiones se realizaron en ingles. El reporte de estatus de avance se daba a los directores 2 veces por semana y a presidencia 1 vez al mes, mediante un PPT con los KPIs se mantenía el informe detallado. Adicionalmente apoye en guardias de vigilancia de migración de otras fabricas, en ventanas de migración de fines de semana.

Funciones: Seleccionar a los analistas y arquitectos para la fabrica, definir los ordenes de migración, asignar cargas de trabajo, manejar el presupuesto y el Budget del proyecto, definí los escenarios y elegí correctamente el rumbo de la migración. Colaboré estrechamente con los equipos de negocio y arquitectura para entender los requisitos de integración de datos y el alcance de las herramientas de destino de las bases de datos. Implementé estrategias de auto gestión para el personal a cargo para garantizar integración e involucramiento en el proyecto.

Caso Relevante: Para el cliente Consubanco, se hizo la migración de su estructura operativa desde bases en SAP, SQL Server, CRM, Archivos de Excel a Yellow Brick y BigQuery, esto requirió espejear la información de estas fuentes en YB y BQ, de ahí se generaron en DataFlow los ETL necesarios para entregar un modelo de base de datos tipo Data Vault y reportes estructurados a medida del cliente con Cognos, se asignaron los permisos necesarios en Google Cloud Storage. Adicionalmente apoye en la construcción de un modelo de machine learning para detección de fraude, este modelo se basaba en 2 algoritmos, arboles de decisión y redes neuronales, la interacción de modelos disparaba la señal de alerta si ambos coincidían. Y un modelo para evaluación crediticia con redes neuronales, con este modelo se clasificaban los diferentes tipos de clientes. En ambos modelos utilice Python y sus bibliotecas de ML (PySpark, TensorFlow, Pandas, Numy, keras y sklearn). Funciones: Dirigí el diseño y desarrollo de flujos de trabajo ETL complejos en DataFlow, optimizando la eficiencia operativa y reduciendo los tiempos de carga de datos en un 30%. Colaboré estrechamente con los equipos de negocio para entender los requisitos de integración de datos y diseñar soluciones escalables que cumplieran con los objetivos comerciales. Implementé estrategias de monitoreo proactivo para garantizar la integridad y disponibilidad continua de los procesos ETL críticos. de código de store procedures de Netezza a Yellow Brick, Pruebas POC en Denodo, Migración de diferentes fuentes a Yellow Brick, BigQuery y Clowd Storage con ETL en DataFlow y AirFlow.

Di mantenimiento y continuidad al proceso de machine learning para prever cargas de trabajo, el proceso se ejecutaba sobre Google Colab y generaba las probabilidades de

demanda de los diferentes productos, para esta tarea utilice Python con las bibliotecas de funciones para ML (PySpark, TensorFlow, Pandas, Numy, keras y sklearn). Participé en la capacitación y mentoría de equipos junior, fortaleciendo las capacidades técnicas del departamento y mejorando la colaboración interdisciplinaria. Seguimiento a los proyectos con metodología AGIL y/o SCRUM, implementación de tableros informativos en SAP BO y Cognos, el background se preparaba en Oracle/PLSQL (sobre Toad) y se armaba el WorkFlow en DataFlow y el ETL en AirFlow, coordinaba la mesa de resolución de tickets de usuarios mediante el uso de Oracle/PLSQL para conciliar las inconsistencias entre tablas. Funciones: Planeación y atención de solicitudes de tableros, atención de tickets de usuarios.